V svetu programiranja, računalnikov in umetne inteligence je nevronska mreža s povratnim širjenjem preprosto nekakšna umetna nevronska mreža (ANN), ki uporablja širjenje nazaj. Povratno širjenje je temeljno in je pogosto uporabljen algoritem, ki daje navodilo ANN, kako izvesti dano nalogo. Čeprav se ta koncept morda zdi zmeden in se po ogledu enačb, ki so potrebne med procesom, zdi popolnoma tuj, je ta koncept, skupaj s celotno nevronsko mrežo, dokaj enostavno razumeti.
Za tiste, ki ne poznajo nevronskih mrež, je ANN ali preprosto NN, ki pomeni “nevronska mreža”, matematični model, ki je zasnovan po določenih značilnostih nevronskih mrež v resničnem življenju, kot so tiste, ki jih najdemo v živih bitjih. Človeški možgani so končna nevronska mreža, katere delovanje daje nekaj namigov o tem, kako izboljšati strukturo in delovanje umetnih NN. Tako kot najbolj rudimentarni možgani ima ANN mrežo medsebojno povezanih umetnih nevronov, ki obdelujejo informacije.
Kar je fascinantno pri tem, je, da se lahko ANN po potrebi prilagodi in spremeni svojo strukturo glede na informacije, ki jih prejme iz okolja in znotraj omrežja. Je sofisticiran računalniški model, ki uporablja nelinearno statistično analizo podatkov in je sposoben interpretirati kompleksne odnose med podatki, kot so vhodi in izhodi. Lahko reši probleme, ki jih ni mogoče rešiti s tradicionalnimi računskimi metodami.
Ideja za nevronsko mrežo s povratnim širjenjem se je prvič pojavila leta 1969 iz dela Arthurja E. Brysona in Yu-Chi Hoa. V kasnejših letih so idejo izpopolnili drugi programerji in znanstveniki. Od leta 1974 je bila nevronska mreža s povratnim širjenjem prepoznana kot inovativen preboj pri preučevanju in ustvarjanju umetnih nevronskih mrež.
Učenje nevronske mreže je glavna naloga znotraj ANN, ki zagotavlja, da lahko še naprej pravilno obdeluje podatke in tako pravilno opravlja svojo funkcijo. Nevronska mreža s širjenjem nazaj uporablja posplošeno obliko pravila delta, da omogoči učenje nevronske mreže. To pomeni, da uporablja učitelja, ki je sposoben izračunati želene rezultate iz določenih vhodov, ki se napajajo v omrežje.
Z drugimi besedami, nevronska mreža s širjenjem nazaj se uči z zgledom. Programer ponuja učni model, ki prikazuje, kakšen bi bil pravilen izhod glede na določen nabor vhodov. Ta vhodno-izhodni primer je učitelj ali model, po katerem lahko drugi deli omrežja vzorčijo nadaljnje izračune.
Celoten proces poteka metodično v izmerjenih intervalih. Glede na določen nabor vhodov, ANN uporabi izračun, pridobljen iz modela, da dobi začetni izhod. Nato ta rezultat primerja s prvotno znanim, pričakovanim ali dobrim rezultatom in po potrebi prilagodi. Pri tem se izračuna vrednost napake. Ta se nato širi naprej in nazaj skozi nevronsko mrežo za širjenje nazaj, dokler ni določen najboljši možni rezultat.